量子科技中心_量科网

混合量子-经典机器学习为工业环境中的自动化质量控制提供了前景广阔的发展方向。本研究针对铝合金TIG焊接图像中的缺陷分类问题，探究了两种混合量子-经典方法，并与传统深度学习模型进行了性能基准测试。研究人员采用卷积神经网络从焊接图像中提取紧凑且信息丰富的特征向量，有效将高维像素空间降维至低维特征空间。第一种量子方法通过由旋转门和纠缠门构成的参数化量子特征映射，将这些特征编码为量子态，并通过计算这些量子态的内积获得量子核矩阵，在对应于支持向量机（SVM）优化问题的高维希尔伯特空间中建立线性系统，使用变分量子线性求解器（VQLS）进行求解。该工作还分析了量子核条件数对分类性能的影响。第二种方法采用角度编码将提取的特征输入变分量子电路，并利用经典优化器进行模型训练。两种量子模型在二元和多元分类任务中均接受测试，其性能与传统CNN模型形成对照。结果表明，虽然CNN模型展现出稳健性能，但混合量子-经典模型具有相当的竞争力，这凸显了混合方法在工业缺陷检测与质量保证领域近期实际应用的潜力。